Tässä tutkimuksen tarkasteltiin harvestereiden ja kuljettajien tuottavuuden käyttäytymistä pääte- ja harvennushakkuussa. Tuottavuusaineiston avulla pääte- ja harvennushakkuuseen luotiin yleiset tuottavuusmallit rungon tilavuuden suhteen. Kuljettajakohtaisilla painotusker-toimilla pääte- ja harvennushakkuun tuottavuusmalleja pyrittiin saamaan tarkemmiksi. Kuljet-tajien iän ja kokemuksen vaikutusta tutkittiin kuvaajien, mallien ja regressioanalyysin avulla.
Tuottavuusaineiston avulla jokaiselle kuljettajalle luotiin oppimiskäyrä, joista voidaan nähdä tuottavuuden käyttäytyminen kokemuksen suhteen.
0,000 0,200 0,400 0,600 0,800 1,000 1,200 1,400 1,600
6,00 7,00 8,00 9,00 10,00 11,00 12,00 13,00
Suhteellinen tuottavuusarvo
Kokemusvuosi (v)
4.1.1 Tuottavuus
Tässä tutkimuksessa tuottavuusaineisto hankittiin leimikkokohtaisesti. Tuottavuusaineiston hankinta on myös mahdollista tehdä puukohtaisesti, jolloin edustava-aineisto saadaan kasaan pienemmällä määrällä leimikoita tai jopa yhdeltä leimikolta. Molemmilla vaihtoehdoilla on etunsa ja haittansa riippuen aineiston käyttötarkoituksesta (Eriksson & Lindroos 2014).
Täytyy muistaa, että tuottavuustutkimukset eivät ole verrannollisia keskenään. Seurantatutki-mukset, kuten tämä tutkimus, antavat tarkempaa kuvaa keskimääräisestä vuotuisesta tuotta-vuudesta. Toisin kuin aikatutkimukset, jotka voivat keskittyä vain tiettyyn vuodenaikaan ja korjuuolosuhteisiin. Vanhemmat tuottavuustutkimukset ovat monesti tehty lyhyinä aikatutki-muksina, jolloin kuljettajat ovat motivoituneita ja tarkkaavaisia (Ryynänen & Rönkkö 2001, Sirén & Aaltio 2003). Lyhyet aikatutkimukset eivät näin anna oikeaa kuvaa käytännön työti-lanteesta. Nykyiset tuottavuustutkimukset ovat pääsääntöisesti pidemmän kestoisia seuranta-tutkimuksia, jolloin kuljettaja ei välttämättä edes tiedä olevansa tutkimuskohteena. Tutkimuk-selle on siis hyväksi, että kuljettaja ei tiedä olevansa tutkimuskohteena, mutta samalla pinnalle nousevat kysymykset tiedon eettisyydestä ja laillisesta käytettävyydestä.
Harvennushakkuumallien selitysasteet ovat hyvällä tasolla ja niiden avulla voidaan ennustaa luotettavasti keskimääräistä tuottavuutta rungon keskitilavuuden perusteella. Päätehakkuumal-lit eivät ole aivan yhtä hyvällä tasolla kuin harvennushakkuulla, mutta varsinkin painotettu päätehakkuumallia pystytään hyvin käyttämään harvestereiden tuottavuusmäärien ennustami-seen. F-testien p-arvot olivat alhaiset kummassakin mallissa, joten voidaan todeta, että rungon koko selittää tuottavuuden vaihtelua ja tuottavuusarvot eivät ole syntyneet sattumanvaraisesti (Niemi 2003). Pääte- ja harvennushakkuussa keskimääräisten rungon kokojen kohdalla huo-noimman ja parhaimman tuottavuuden väliset erot olivat vähän yli 100 %, joka kuvastaa hy-vin hakkuukonekuljettajien ja leimikoiden suurta hajontaa. Suuri hajonta ei ole epänormaalia, sillä Purfürstin ja Erlerin (2011) tutkimuksessa kuljettajien hajonta oli vielä hieman suurempi (80–120 %). Matalampia tuottavuushajontoja esittävät Glöde (1999) 20–50 %, sekä Kärhä ym. (2004) ja Väätäinen ym. (2005), joilla tuottavuus erosi noin 40 %. Yksi selitys suuriin eroihin eri tutkimuksissa voi olla otoskoon vaihtelu (Purfürst & Erler 2011). Tässä tutkimuk-sessa sekä Purfürstin ja Erlerin (2011) tutkimuktutkimuk-sessa kuljettajia oli huomattavasti enemmän kuin tutkimuksissa, joissa tuottavuushajonnat olivat pienempiä. Täytyy kuitenkin muistaa, että korjuuolosuhteet voivat myös vaikuttaa merkittävästi hakkuun tuottavuuteen (Väätäinen ym.
2005, Purfürst & Erler 2011).
Kuljettajien painotuskertoimen avulla luodut painotetut tuottavuusmallit pääte- ja harvennus-hakkuulle olivat parempia melkein kaikkien tilastollisten testien perusteella (RMSE -analyysi, harha ja selitysaste) kuin alkuperäisestä aineistosta luodut tuottavuusmallit. Ainoastaan har-haisuus lisääntyi vähän painotetun päätehakkuun tuottavuusmallissa. Painotetut tuottavuus-mallit antavat siis tarkemman kuvan harvestereiden keskimääräisestä tuottavuudesta rungon tilavuuden suhteen. Aineiston painotuksessa olisi myös mahdollista käyttää subjektiivista eli ihmisen arvioimaa kuljettajan hyvyyttä. Purfürstin ja Lindroosin (2011) tutkimuksessa kuljet-tajan toteutunut tuottavuus ja silmämääräinen arvioitu yleinen taitotaso korreloivat keskenään.
Harvestereiden tuottavuus on kasvanut suhteellisen nopeasti viime vuosikymmenien aikana (Eriksson & Lindroos 2014). Samanlaista tuottavuuden kasvua voi huomata, jos tämän tutki-muksen tuottavuustasoa vertaillaan Taskisen (2015) tutkimukseen. Etenkin jos verrataan pää-tehakkuuta (kuva 25). Kuitenkaan suoraa johtopäätöstä tuottavuuden nopeasta kasvusta ei voida tehdä, sillä Taskinen (2015) käytti osittain samaa aineistoa. Taskisen (2015) leimikot oli korjattu 1.10.2010–30.11.2012 välisenä aikana. Taskisen (2015) tutkimuksessa tuottavuustaso olisi voinut olla parempi, jos olisi käytetty laajempaa aineistoa niin kuin tässä tutkimuksessa.
Tähän tutkimukseen otettiin mukaan uusia ja tehokkaampia harvestereita sekä samalla van-hemmilta ja pienemmiltä harvestereilta ei tullut tuottavuusaineistoa uuteen aineistoon, koska ne oli vaihdettu uudempiin harvestereihin. Tämän tutkimuksen keskimääräisen rungon tila-vuuden kohdalla tuottavuuserot (m3/E15) Taskisen (2015) tuottavuustutkimukseen ovat pääte-hakkuulla noin 9,7 % alkuperäiseen malliin ja painotettuun 5,6 % (kuva 25). Yhden kiinto-kuution kohdalla samat tuottavuuserot ovat 11,7 % ja 6,8 %. Taskisen (2015) tutkimuksen päätehakkuumallin selitysaste oli 0,465.
Kuva 25. Päätehakkuun toteutuneiden tuottavuusarvojen tuottavuusmalli (viiva), kuljettajan painotus-kertoimella kerrottu tuottavuusmalli (katkoviiva) ja Taskisen (2015) tuottavuustutkimuksen tuotta-vuusmalli (pisteviiva). Alkuperäisen mallin tuottama tuottavuusarvo on 100 keskimääräisen rungon koon kohdassa (501 litraa).
Harvennushakkuulla tämän tutkimuksen keskimääräisen rungon tilavuuden kohdalla tuotta-vuuserot (m3/E15) Taskisen (2015) tuottavuustutkimukseen ovat noin 7,2 %, kun verrataan alkuperäiseen malliin (kuva 26). Painotettu malli on vielä noin 2 % alempana kuin Taskisen (2015) malli. Suuremmilla puilla Taskisen (2015) malli saa suuremmat tuottavuudet. Tuotta-vuuserot ovat 0,35 kiintokuution kohdalla 0,3 % alkuperäiseen ja 8,2 % painotettuun malliin.
Taskisen (2015) tutkimuksen harvennushakkuumallin selitysaste oli 0,628.
Kuva 26. Harvennushakkuun toteutuneiden tuottavuusarvojen tuottavuusmalli (viiva), kuljettajan painotuskertoimella kerrottu tuottavuusmalli (katkoviiva) ja Taskisen (2015) tuottavuustutkimuksen tuottavuusmalli (pisteviiva). Alkuperäisen mallin tuottama tuottavuusarvo on 100 keskimääräisen run-gon koon kohdassa (144 litraa).
0,0
0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45
Suhteellinen tuottavuus (m3 %/E15)
Rungon koko (m3)
Tässä tutkimuksessa harvestereiden tehokkuutta tai kokoa ei eroteltu, vaikka niiden on huo-mattu vaikuttavan harvestereiden tuottavuuteen (Eriksson & Lindroos 2014). Suuremmilla ja tehokkaammilla harvestereilla tuottavuus on parempi (Eriksson & Lindroos 2014), mutta kor-juuyrittäjän tulee myös tarkkailla koneiden kokonaiskustannuksia. Jirousek ym. (2007) ha-vaitsivat tutkimuksessa, että rungon keskitilavuuden ollessa alle 0,5 kiintokuution päätehak-kuilla kannattaisi käyttää pienempiä harvestereita, jolloin kokonaiskustannukset (€/m3) jäävät hieman alhaisimmaksi. Samassa tutkimuksessa ei havaittu suuria kustannuseroja yli 0,5 kiin-tokuution päätehakkuilla, eli tekeekö leimikon pienellä vai isolla harvesterilla. Täytyy kuiten-kin muistaa, että pienemmillä harvestereilla ei ole yhtä hyviä ominaisuuksia käsitellä isoja puita nopeasti ja huolellisesti kuin isommilla harvestereilla. Myöskään puulajisuhteiden vai-kutusta tuottavuuteen ei huomioitu erikseen, vaikka suurien lehtipuiden on todettu vaikutta-van tuottavuuteen negatiivisesti (Kuitto ym. 1994).
4.1.2 Kuljettajan iän ja kokemuksen vaikutus tuottavuuteen
Harvesterikuljettajien oppimiskäyrätutkimuksia ei ole tehty paljon, joten standardisoituneita tilastollisia käytäntöjä ei ole niin kuin perinteisissä harvestereiden tuottavuustutkimuksissa.
Tässä tutkimuksessa selvästi kokemattomia kuljettajia oli vähän. Alle viisi kokemusvuotta omaavia kuljettajia oli vain kolme. Kolmesta kahdella kokemattomalla kuljettajalla tuotta-vuuden tasaantumiseen meni noin vuosi, mutta yhdellä tuottavuus ei ollut vielä 2,5 kokemus-vuodessa kohdalla saavuttanut tasaantumista (kuva 19). Tästäkin voidaan jo huomata, että yksilölliset erot tuottavuuden käyttäytymisessä ovat huomattavia. Purfürstin (2010) tutkimuk-sessa kuljettajat saavuttivat tuottavuuden tasaantumistason 6-11 kuukauden sisällä. Kaivin-konepohjaisessa hakkuukonetyössä oppimiskäyrän kesto oli noin 8 kuukautta (Galabrese 2000).
Gellerstedin (2002) tutkimuksessa arvioidaan, että kuljettajalla menee keskimäärin viisi vuot-ta saavutvuot-taa maksimaalinen vuot-taitovuot-taso. Kun kaikki tämän tutkimuksen kuljetvuot-tajat otevuot-taan huo-mioon, keskimääräiseen tuottavuustasoon yltäminen tapahtuu noin 3,5 kokemusvuoden aika-na (kuva 13 ja kuva 15). Regressioaaika-nalyysimallien ennustama tuottavuuden kehittyminen ko-kemusvuosien perusteella eroaa paljon, jos niitä verrataan alkuperäisten korjuusuoritteiden ennustamaan tuottavuuden kehittymiseen (kuva 18). Regressiomallissa päätehakkuulla kuljet-tajalta kestää 7 kokemusvuotta saavuttaa keskimääräinen tuottavuustaso ja
harvennushak-kuussa noin 5,5 vuotta (kuva 18). Tulokset ovat ristiriidassa yleistä käsitystä vastaa, koska harvennushakkuuta pidetään yleisesti vaikeampana työlajina kuin päätehakkuu.
Täytyy kuitenkin muistaa, että pelkkä hyvä tuottavuustaso ei riitä hakkuukone työssä, koska korjuuyrittäjät, metsäteollisuus ja metsänomistajat vaativat kuljettajilta myös muita intressejä puunkorjuusta (Asikainen ym. 2009). Kuljettajien ikääntymisen takia ei voida huomata selvää rajaa, jolloin kuljettajien tuottavuustaso tasaantuisi tai lähtisi vähentymään (kuva 16 ja kuva 17). Kuvaajasta 17 voidaan huomata, kuinka aineiston laadulla on merkitystä, sillä kuvaajasta voisi tehdä johtopäätöksen, että yli 50-vuotiailla kuljettajilla tuottavuus vielä kasvaa. Tämä johtuu harvennushakkuukoneilla työskentelevistä kahdesta hyvästä kuljettajasta, jotka ovat ainoita vanhempia kuljettajia harvennushakkuukoneilla. Nämä kaksi kuljettajaa vaikuttaa siis voimakkaasti harvennushakkuun aineistoon. Pekkarinen ja Uusitalo (2012) havaitsivat tutki-muksessaan, että työntekijöiden tuottavuus kasvoi 40 ikävuoteen asti, jonka jälkeen tuotta-vuus pysyi suunnilleen samana. He havaitsivat vain pientä tuottavuuden vähenemistä ennen eläkeikää.
Regressioanalyysissa voidaan huomata, että ainoastaan kuljettajan iällä ja kokemuksella ei pystytä kovinkaan tarkasti ennustamaan kuljettajan suhteellista tuottavuutta. Pääte- ja harven-nushakkuun regressiomallien selitysvoima on huono, koska keskivirheet ovat 0,2 luokkaa (taulukko 6 ja taulukko 7). Kuitenkin pääte- harvennushakkuun regressiomallien p-arvot ovat lähellä nollaa, joten selvää korrelaatiota aineistossa on havaittavissa. Selityskertoimien avulla voidaan todeta, että päätehakkuulla muuttujien (ikä, kokemus ja niiden suhde) vaihtelu selittää 27,5 % kuljettajien tuottavuuden vaihtelusta. Harvennushakkuulla sama on 23,8 %. Tämä siis tarkoittaa, että kummassakin pääte- ja harvennushakkuussa kuljettajan tuottavuudesta yli 20
% selittävät kuljettajan ikä, kokemus ja niiden suhde toisiinsa.